論文の概要: CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization

• arxiv url: http://arxiv.org/abs/2503.22740v1
• Date: Wed, 26 Mar 2025 18:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:38:12.021328
• Title: CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization
• Title（参考訳）: CSPO:擬ボラティリティ最適化による市場総合株価変動予測
• Authors: Sida Lin, Yankai Chen, Yiyan Qi, Chenhao Ma, Bokai Cao, Yifei Zhang, Xue Liu, Jian Guo,
• Abstract要約: Pseudo-volatility Optimization (CSPO)によるクロスマーケット・シナジーの枠組みを紹介する。 CSPOは、外部の未来の知識を活用するために効果的なディープ・ニューラル・アーキテクチャを実装している。 CSPOは、ストック固有の予測信頼性をモデル化するために擬似ボラティリティを取り入れている。
• 参考スコア（独自算出の注目度）: 14.241290261347281
• License:
• Abstract: The stock market, as a cornerstone of the financial markets, places forecasting stock price movements at the forefront of challenges in quantitative finance. Emerging learning-based approaches have made significant progress in capturing the intricate and ever-evolving data patterns of modern markets. With the rapid expansion of the stock market, it presents two characteristics, i.e., stock exogeneity and volatility heterogeneity, that heighten the complexity of price forecasting. Specifically, while stock exogeneity reflects the influence of external market factors on price movements, volatility heterogeneity showcases the varying difficulty in movement forecasting against price fluctuations. In this work, we introduce the framework of Cross-market Synergy with Pseudo-volatility Optimization (CSPO). Specifically, CSPO implements an effective deep neural architecture to leverage external futures knowledge. This enriches stock embeddings with cross-market insights and thus enhances the CSPO's predictive capability. Furthermore, CSPO incorporates pseudo-volatility to model stock-specific forecasting confidence, enabling a dynamic adaptation of its optimization process to improve accuracy and robustness. Our extensive experiments, encompassing industrial evaluation and public benchmarking, highlight CSPO's superior performance over existing methods and effectiveness of all proposed modules contained therein.
• Abstract（参考訳）: 株式市場は金融市場の基盤として、株価の変動を量的金融の課題の最前線に置いている。 新たな学習ベースのアプローチは、現代の市場の複雑で絶え間なく進化するデータパターンを捉える上で、大きな進歩を遂げた。 株式市場の急速な拡大に伴い、株価予測の複雑さを高める2つの特徴、すなわち株価の変動性とボラティリティの不均一性を示す。 特に、株価変動は、外的市場要因が価格変動に与える影響を反映しているが、ボラティリティの不均一性は、価格変動に対して予測する動きにおいて、様々な困難を示す。 本研究では,擬似ボラティリティ最適化(CSPO)によるクロスマーケット・シナジーの枠組みを紹介する。 具体的には、CSPOは外部の未来の知識を活用するために効果的なディープ・ニューラル・アーキテクチャを実装している。 これにより、株式の埋め込みを市場横断的な洞察で強化し、CSPOの予測能力を高める。 さらに、CSPOはストック固有の予測信頼性をモデル化するために擬似ボラティリティを導入し、最適化プロセスの動的適応により精度と堅牢性を向上させる。 産業評価と公開ベンチマークを含む広範な実験により,CSPOの既存手法よりも優れた性能と,それに含まれる全てのモジュールの有効性が示された。

関連論文リスト

• Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market [0.0]
  再生可能エネルギーの電気市場への統合は 価格安定に重大な課題をもたらします 本研究では, Conformal Prediction (CP) 技術を用いた確率的価格予測の強化について検討した。 本稿では,量子レグレッションモデルの効率と時系列適応CP手法の強靭なカバレッジ特性を組み合わせたアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T13:57:47Z)
• GRUvader: Sentiment-Informed Stock Market Prediction [0.0]
  本研究では,市場予測のための機械学習アルゴリズムをいくつか比較し,感情分析指標が株価予測に与える影響について検討した。 以上の結果から,スタンドアローンモデルはAI強化モデルと比較して困難であったことが示唆された。
  論文  参考訳（メタデータ） (2024-12-07T04:56:17Z)
• Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
  本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。 この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。 LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-09T07:53:25Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach [3.8154633976469086]
  LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。 SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。 実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
  論文  参考訳（メタデータ） (2023-08-07T14:21:05Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。